算法选择_大话异常检测之算法选择

点击“人工智能园地”关注我们~

欢

迎

光

临

~

通信行业覆盖多领域，从海量指标分析发现KPI的数据模式也多种多样(接通率、错误码、数据流量、呼叫量等)

针对不同的KPI数据模型，需要采用不同的异常检测算法，可以提高检测精度。通信领域的KPI都是实时运维系统实时产生的，因此都是时序数据。在异常检测领域服务中，内嵌Holt-Winters、Exponential-Smoothing、Xgboost、GMM、LSTM等多种时序异常检测智能算法，根据输入KPI的特征择优选择。这些算法主要分为三类：基于时间序列预测的异常检测、基于离群点检测的异常检测以及基于神经网络的异常检测。

基于时间序列预测异常检测 1   ARIMA

ARIMA模型全称为自回归移动平均模型，是一种常见的用来对稳定的时序序列做预测的模型。对于非平稳时间序列经过D阶差分后转化平稳时间序列，将因变量和它的P次滞后值以及随机误差项的现值和Q次滞后值进行回归所建立的模型，算法流程如图1所示。

图1.ARIMA

2   指数平滑

除了利用多个影响因素建立回归模型做预测之外，当数据在时间轴上可能呈现一定的稳态或者规律，利用过去时间区间的值来预测未来的值也是时序预测方法之一，即指数平滑法&#x